XiaoMi-AI文件搜索系统
World File Search SystemTORR
了解我，了解你：人工智能中的心智理论
人工智能 (AI) 极大地改变了我们所知的世界。机器学习 (ML) 是人工智能的一个分支，其关键进展在于使机器能够从数据中学习。深度学习 (DL) (LeCun、Bengio 和 Hinton，2015) 发挥了核心作用，这是一种基于人工神经网络的技术，旨在有效支持学习。由于 DL 与强化学习 (RL，即代理通过与现实世界交互进行学习并相应地获得奖励或惩罚的概念) 相结合，它已被证明能够提供有时超越人类的表现。一个典型的例子是 AlphaGo 计算机程序成功地在围棋比赛中不断击败世界冠军，同时为成功的游戏策略提供了新的见解。这些突破性的成就让人们对人工智能及其所能实现的目标过度自信，尤其是在短期内。风险投资蜂拥而至人工智能初创企业。人们期待自动驾驶汽车随时出现在我们的道路上。然而，最近发生的一些严重事件已经敲响了警钟。涉及原型自动驾驶汽车的事故已导致人员伤亡（Tesla Deaths，2020 年），这让人们质疑该技术在人机密切互动的潜在危险情况下的使用是否真的准备就绪。令人惊讶的是，这些事故是由于车辆未能执行相对简单的任务造成的，例如物体检测或障碍物跟踪和避让（Hawkins，2019 年）。事实上，在 AI 能够安全地部署到高风险和潜在危险的情况下之前，需要具备更为复杂的功能。对当前 AI 使用的期望可能需要修改。以自动驾驶为例。智能汽车需要实时对人类行为做出可靠的预测，以便预先调整速度和路线，以应对儿童可能突然穿过马路的决定。深度神经网络可以有效地识别流媒体视频中的人类动作，如运动模式（Singh、Saha、Sapienza、Torr 和 Cuzzolin，2017 年）。然而，后者可能具有欺骗性，因为人类可以根据自己的心理过程、想法和动机以及他们周围看到的事物突然改变主意。在我们的例子中，之前在人行道上走向学校的孩子们可能会看到马路对面有一辆冰淇淋车，并决定冲过马路去买冰淇淋。在如此复杂的环境中，没有一个预测系统仅仅基于过去观察到的运动来运作，就不可能准确可靠，也不需要考虑上下文和其他相关主体的性质。另一方面，人类可以预测其他人的未来行为，即使没有运动，只需快速评估相关人员的“类型”和他们周围的场景（例如例如，站在走廊里的老人很可能会决定乘坐电梯，而不是走楼梯）。这表明人工智能需要解决“热”认知问题，比如人的思维是如何受到其情绪状态影响的（Lawrence、Clark、Labuzetta、Sahakian & Vyakarnum，2008 年；Taylor Tavares、Drevets & Sahakian，2003 年）。热认知是指情绪和社会认知，包括心智理论（ToM）。它与“冷”认知形成对比，在“冷”认知中，信息处理与情感无关。社会认知旨在通过研究潜在的认知过程来理解社会现象（即人们与他人打交道的方式）。随着能够表现出一定（有限）智能的人工智能的出现，这一概念需要扩展到人类如何与智能机器（例如航空公司的对话机器人）打交道，反之亦然。
了解我，了解你：人工智能中的心智理论
人工智能 (AI) 极大地改变了我们所知的世界。机器学习 (ML) 是人工智能的一个分支，其关键进展在于使机器能够从数据中学习。深度学习 (DL) (LeCun、Bengio 和 Hinton，2015) 发挥了核心作用，这是一种基于人工神经网络的技术，旨在有效支持学习。由于 DL 与强化学习 (RL，即代理通过与现实世界交互进行学习并相应地获得奖励或惩罚的概念) 相结合，它已被证明能够提供有时超越人类的表现。一个典型的例子是 AlphaGo 计算机程序成功地在围棋比赛中不断击败世界冠军，同时为成功的游戏策略提供了新的见解。这些突破性的成就让人们对人工智能及其所能实现的目标过度自信，尤其是在短期内。风险投资蜂拥而至人工智能初创企业。人们期待自动驾驶汽车随时出现在我们的道路上。然而，最近发生的一些严重事件已经敲响了警钟。涉及原型自动驾驶汽车的事故已导致人员伤亡（Tesla Deaths，2020 年），这让人们质疑该技术在人机密切互动的潜在危险情况下的使用是否真的准备就绪。令人惊讶的是，这些事故是由于车辆未能执行相对简单的任务造成的，例如物体检测或障碍物跟踪和避让（Hawkins，2019 年）。事实上，在 AI 能够安全地部署到高风险和潜在危险的情况下之前，需要具备更为复杂的功能。对当前 AI 使用的期望可能需要修改。以自动驾驶为例。智能汽车需要实时对人类行为做出可靠的预测，以便预先调整速度和路线，以应对儿童可能突然穿过马路的决定。深度神经网络可以有效地识别流媒体视频中的人类动作，如运动模式（Singh、Saha、Sapienza、Torr 和 Cuzzolin，2017 年）。然而，后者可能具有欺骗性，因为人类可以根据自己的心理过程、想法和动机以及他们周围看到的事物突然改变主意。在我们的例子中，之前在人行道上走向学校的孩子们可能会看到马路对面有一辆冰淇淋车，并决定冲过马路去买冰淇淋。在如此复杂的环境中，没有一个预测系统仅仅基于过去观察到的运动来运作，就不可能准确可靠，也不需要考虑上下文和其他相关主体的性质。另一方面，人类可以预测其他人的未来行为，即使没有运动，只需快速评估相关人员的“类型”和他们周围的场景（例如例如，站在走廊里的老人很可能会决定乘坐电梯，而不是走楼梯）。这表明人工智能需要解决“热”认知问题，比如人的思维是如何受到其情绪状态影响的（Lawrence、Clark、Labuzetta、Sahakian & Vyakarnum，2008 年；Taylor Tavares、Drevets & Sahakian，2003 年）。热认知是指情绪和社会认知，包括心智理论（ToM）。它与“冷”认知形成对比，在“冷”认知中，信息处理与情感无关。社会认知旨在通过研究潜在的认知过程来理解社会现象（即人们与他人打交道的方式）。随着能够表现出一定（有限）智能的人工智能的出现，这一概念需要扩展到人类如何与智能机器（例如航空公司的对话机器人）打交道，反之亦然。
惯性聚变能反应堆的燃料循环
在磁约束聚变 (MCF) 领域，氚燃料循环已得到详尽研究。[1,2,3] 已经开发出处理、监测、从化学结合物种中回收、浓缩和储存氚的技术，其产量接近反应堆相关产量。[4] 关键组件已在大型托卡马克或氚处理设施中进行了测试。[5] 该技术的很大一部分可转移到适用于惯性聚变能 (IFE) 的系统。然而，操作条件与磁性情况有很大不同，因此对 IFE 燃料循环组件施加了 MCF 情况下没有的条件，因此需要针对 IFE 特定主题进行研究。燃料回路由喷射器系统和用于回收反应堆流出物的基础设施组成。MCF 中的颗粒注入是一种将 DT 冰输送到托卡马克等离子体深处的有吸引力的方法。部署在 IFE 反应堆中的目标需要特定的设计来优化燃烧分数，该分数可能高达 1/3。这可能需要不同元素的复合层。湿泡沫等靶概念将由嵌入低密度 CH 泡沫中的液态 DT 组成，也很有前景。MCF 反应堆将在真空中运行，主要成分是氢同位素。一些 IFE 反应堆设计将在中等真空（几托）下运行，主要成分是氖或氙，以帮助缓和冲击波和对第一壁的粒子冲击。MCF 反应堆必须应对等离子体与偏滤器相互作用时产生的灰尘。IFE 反应堆需要将残留的靶碎片与流出物中的挥发性氢物种分离并去除。图 1 提供了 IFE 反应堆的通用燃料循环。作为代表性示例，该设计隐含了在薄壁塑料外壳内分层使用 DT 冰。泡沫填充的液态 DT 靶和更复杂的靶设计（例如采用空腔的靶设计）将需要更广泛的碎片收集和处理子系统（具体取决于细节）。燃料循环包括两个独立的回路：一个回路为反应堆提供燃料，另一个回路用于增殖氚。反应堆流出物被分离成两股：挥发性成分在气体离开反应堆时被低温抽吸，而颗粒碎片则通过重力送入收集器并氧化以将吸收的氢与碳物质分离。低温分离器将氦灰排放到环境中，将氖/氙转移以供再利用，并通过渗透器将氢同位素排放到同位素分离器。同位素分离器将氢排放到环境中，并将氘和氚引导到胶囊工厂和靶填充系统。增殖毯回路有两个主要功能：从反应堆中提取热量和增殖氚。反应堆周围是熔盐池，用于捕获和缓和聚变中子，作为氚增殖的前体。熔盐从反应堆泵出，通过热交换器、杂质去除子系统（用于净化熔盐）、氚提取模块，然后返回到反应堆周围的安全壳中。在 380 MWe IFE 反应堆中，主要物质的摩尔流速为：H、D、T、C、O、He 和 Xe，该反应堆使用封装在薄塑料壳中的 DT 冰靶。20 毫克氚靶以 0.5 Hz 的频率注入。燃烧分数假设为 25%。聚变功率转换为电能的比率假设为 30%。假设工厂占空比为 90%。
美国宇航局的行星风成实验室：提案者指南
提案人指南 1.0 NASA 行星风成实验室 (PAL) 1.1 什么是 PAL？行星风成实验室 (PAL) 是一种用于在不同行星大气环境下进行风成过程（风吹粒子）控制实验和模拟的设施，包括地球、火星和土星的卫星土卫六。PAL 目前由 NASA 的行星科学部门提供支持（2014 年之前，PAL 由 NASA 的行星地质和地球物理学 (PG&G) 计划提供支持）。PAL 包括位于加利福尼亚州莫菲特菲尔德的 NASA-Ames 研究中心 (ARC) 的设备和设施，亚利桑那州立大学 (ASU) 位于亚利桑那州坦佩，拥有单独的设备来支持 PAL 活动。PAL 包括美国最大的压力室之一，用于进行低压研究。PAL 可在受控实验室条件下对风成过程进行科学研究，并可对 NASA 太阳系任务的航天器仪器和组件进行测试和校准，包括需要大量低气压的任务。PAL 包括：(1) 火星表面风洞 (MARSWIT) 和 (2) 土卫六风洞 (TWT)，位于加利福尼亚州山景城 NASA ARC 的结构动力学大楼 (N-242) 内，由亚利桑那州立大学管理。MARSWIT 和 TWT 由 NASA-Ames 的商店、仪器设施和成像服务提供支持。ARC 的 PAL 设施还配备了一名全职技术人员（在 ARC 工作的 ASU 员工），为行星用户提供服务。亚利桑那州立大学坦佩校区的配套设施包括环境压力/温度风洞 (ASUWIT)。ASU 还拥有涡流（尘卷风）发生器 (ASUVG)，但目前归富尔顿工程学院所有（可协商用于行星研究）。ASUWIT 是 ASU 地球与空间探索学院 (SESE) 的一部分，由 SESE 教授 Ian Walker 负责运营。ASUWIT 由 ASU 的 Ronald Greeley 中心的工作人员提供支持。NASA-Ames 的火星表面风洞 (MARSWIT) 于 1976 年投入运行，用于研究陆地和火星条件下风夹带粒子的物理学，进行流场建模实验以评估从小岩石到地貌（缩放）如陨石坑等尺度上的风蚀和沉积，并在火星大气条件下测试航天器仪器和其他组件。MARSWIT 是一个 13 米长的开路边界层风洞，位于一个大型环境室内，在 1 巴至 5 毫巴的大气压下运行，在 1 巴时最大速度为 10.5 米/秒，在 5 毫巴时最大速度为 100 米/秒。该风洞采用开路设计，但位于一个大型压力室的地板上，内部高度为 30 米，内部容积为 13,000 立方米。对于低压风洞运行，将腔室密封并抽空，内部的开路风洞在低压环境中运行。抽空如此大腔室的内部压力需要大量电力，这通常非常昂贵。PAL 从热物理设施的蒸汽真空系统获取真空能量，大约 45 分钟内即可抽真空至火星模拟压力 (4 托)。由于真空系统运行成本高，双方达成协议，PAL 几乎只在与其他赞助 NASA-Ames 蒸汽工厂活动的 NASA-Ames 项目/设施合作时才抽真空。这种安排非常经济高效，但需要提前安排低压运行（需要抽空）。除了此协议外，还提供预留真空服务，前提是提供足够的资金并且没有时间安排冲突。